ナビゲーションにスキップ
機能

テキストtoダイアログ

ElevenLabsで没入感があり自然に聞こえる対話を作成する方法を学びます。

概要

ElevenLabsのテキストtoダイアログAPIは、Eleven v4とEleven v3を使用して、テキストから自然で表現力豊かな対話を作成します。Eleven v4を推奨します。主なユースケースは次のとおりです。

  • ビデオゲーム向けの完璧な会話を生成
  • ポッドキャストなどのオーディオコンテンツ向けに没入感のある対話を作成
  • 表現力豊かなナレーションでオーディオブックに命を吹き込む

望ましい結果を得るために、複数回の生成が必要になることがあります。テキストtoダイアログをアプリケーションに統合する際は、複数の生成を行い、ユーザーが最適なものを選べるようにしてください。

電話、カフェ、大きなホールなどのシーンに対話を配置するには、リクエストでaudio_effectsを渡します。テキスト読み上げのオーディオエフェクトと同じフィルタープリセット、環境、バックグラウンドノイズが対話全体に適用されます。対話エフェクトはAPI経由でのみ利用できます。

サンプルをお聞きください。

デベロッパー

アプリケーションにテキストtoダイアログを統合する方法を学びます。

プロンプトガイド

オーディオタグを使って表現力豊かな対話をプロンプトする方法を学びます。

APIリファレンス

テキストtoダイアログエンドポイントの完全なAPIリファレンスです。

音声オプション

ElevenLabsは、複数の作成方法を通じて数千種類の音声を提供しています。Eleven v4は90以上の言語、Eleven v3は70以上の言語に対応しています。

音声オプションの詳細をご覧ください。

プロンプト

モデルは、テキスト入力から感情的なコンテキストを直接解釈します。たとえば、 「彼女は興奮して言った」のような説明文を追加したり、感嘆符を使用したりすると、発話の 感情に影響します。StabilityやSimilarityなどの音声設定は一貫性の制御に役立ちますが、 基になる感情はテキストの手がかりから得られます。

詳しくはプロンプトガイドをお読みください。

オーディオタグによる感情表現

この機能は現在も活発に開発中のため、実際の結果は異なる場合があります。

Eleven v4とEleven v3では、非音声のオーディオイベントを使用して対話の話し方に影響を与えることができます。これは、角括弧で囲んだオーディオイベントをテキスト入力に挿入して行います。

テキストtoダイアログでは、各対話ターンにそれぞれテキストと音声があります。影響を与えたいターンのテキスト内にオーディオタグを追加します。voice_idは引き続きそのターンの話者音声を選択し、タグは話し方を指定します。

たとえば、話者はテキストを[giggling]で始めながら1つの音声を使用でき、次の話者はテキストを[whispering]で始めながら別の音声を使用できます。タグとvoice_idを組み合わせたAPI例については、テキストtoダイアログのクイックスタートをご覧ください。

オーディオタグはenumパラメーターではなく、自然言語による指示です。指示を角括弧で囲み、話し方を変えたい位置のテキストに配置します。以下の例は網羅的なものではありません。効果的なタグに関する詳しいガイダンスは、プロンプトガイドをご覧ください。

オーディオタグにはいくつかの形式があります。

感情と話し方

たとえば、[sad]、[laughing]、[whispering]

オーディオイベント

たとえば、[leaves rustling]、[gentle footsteps]、[applause]。

全体的な演出

たとえば、[football]、[wrestling match]、[auctioneer]。

例をいくつか紹介します。

"[giggling] That's really funny!"
"[groaning] That was awful."
"Well, [sigh] I'm not sure what to say."

割り込みなどの対話の流れを示すために、句読点を使用することもできます。

"[cautiously] Hello, is this seat-"
"[jumping in] Free? [cheerfully] Yes it is."

文が続くことを示すには、省略記号を使用できます。

"[indecisive] Hi, can I get uhhh..."
"[quizzically] The usual?"
"[elated] Yes! [laughs] I'm so glad you knew!"

デフォルトのレスポンス形式はmp3ですが、pcmやulawなどの形式も利用できます。

  • MP3
    • サンプルレート：22.05kHz～44.1kHz
    • ビットレート：32kbps～192kbps
    • 22.05kHz @ 32kbps
    • 44.1kHz @ 32kbps、64kbps、96kbps、128kbps、192kbps
  • PCM（S16LE）
    • サンプルレート：16kHz～44.1kHz
    • ビットレート：8kHz、16kHz、22.05kHz、24kHz、44.1kHz、48kHz
    • 16ビット深度
  • μ-law
    • 8kHzサンプルレート
    • 電話アプリケーション向けに最適化
  • A-law
    • 8kHzサンプルレート
    • 電話アプリケーション向けに最適化
  • Opus
    • サンプルレート：48kHz
    • ビットレート：32kbps～192kbps

高品質なオーディオオプションは有料プランでのみ利用できます。詳しくは料金 ページをご覧ください。

対応言語

Eleven v4は90以上の言語に対応しています。Eleven v3は70以上の言語に対応しています。完全なリストはEleven v4とEleven v3をご覧ください。

よくある質問

テキストtoダイアログは、Eleven v4およびEleven v3モデルで利用できます。

はい。生成したオーディオの所有権は保持されます。ただし、商用利用権は有料プランでのみ 利用できます。有料サブスクリプションでは、入力コンテンツのIP権利を所有している場合、生成したオーディオを商用目的で使用し、出力を収益化 できます。

無料再生成では、次の条件に従い、追加料金なしで同じテキスト読み上げコンテンツを再生成できます。

  • ElevenLabsダッシュボード内でのみ利用できます。
  • 各コンテンツは最大2回まで無料で再生成できます。
  • コンテンツは前回の生成と完全に同じである必要があります。テキスト、音声設定、その他のパラメーターを変更すると、新たに有料の生成が必要になります。

無料再生成は、オーディオ出力にわずかな歪みがある場合に役立ちます。ElevenLabsの社内ベンチマークによると、再生成により品質に関する問題のおよそ半分が解決され、残りの問題は通常、トレーニングデータの品質不良によるものです。

対話の話者数に制限はありません。

モデルは非決定的です。一貫性を高めるには、任意のseed パラメーターを使用してください。ただし、わずかな 差異が生じる場合があります。

信頼性の高い生成のため、リクエストごとにすべてのinputs[].text値の合計長を2,000文字以下にしてください。長いテキストはチャンクに分割し、アプリケーションで生成されたオーディオを連結してください。

主な仕様

  • モデル：Eleven v4およびEleven v3で利用可能
  • 話者：1つの対話あたりの話者数に制限なし
  • リクエストサイズ：リクエストごとにすべてのinputs[].text値の合計長を2,000文字以下にしてください
  • 決定性：出力は非決定的です。一貫性のある結果を得るにはseedパラメーターを使用してください
  • 無料再生成：生成ごとに最大2回の無料再生成（同じコンテンツ、同じパラメーター、ダッシュボードのみ）
  • 所有権：生成したオーディオの所有権は保持されます。商用利用には有料プランが必要です